2024-01-28

Dataset utilizzati

MLS STANDINGS Il dataframe mls_standings contiene i risultati delle partite di Major League Soccer (MLS) per le stagioni 2000-2022. Ogni riga del dataframe rappresenta una squadra, mentre le colonne rappresentano le statistiche delle partite giocate, come la stagione (Season), la posizione nella classifica (Pos), il nome della squadra (Team), i punti (Pts), i punti per partita (PPG), le partite giocate (GP), le vittorie (W), le sconfitte (L), i pareggi (D), i gol fatti (GF), i gol subiti (GA) e la differenza reti (GD). Il dataframe contiene un totale di 396 osservazioni (rappresentanti le squadre per ogni stagione) e 12 variabili (le colonne).

  • 401 righe e 12 colonne
  • le statistiche delle partite giocate delle diversi squadre immersi della MAJOR LEAGUE SOCCER[2000-2022] **

MLS_mod: Invece questo rappresenta le informazioni spaziale e geoonline delle squadre

** Il secondo dataset rappresenta informazioni spaziali e geografiche delle squadre, presentando una tabella con 29 righe e 6 colonne. Le informazioni includono la città e la regione di ogni squadra, l’anno di fondazione, l’anno di ingresso nel campionato, e vari link alle foto e siti web delle squadre. **

Motivazione e Domande POSTI

** Motivazione ** La Major League Soccer (MLS) è diventata un campionato in crescita e competitivo, con una rivalità sempre più intensa tra le squadre e un costante miglioramento del livello di gioco. Questo è simile a quanto si osserva nei campionati europei, dove spesso si osserva una forte rivalità e una lotta competitiva tra le squadre fino all’ultima giornata. La MLS offre la possibilità di partite combattute e incerte fino all’ultima giornata, e la presenza di stelle del calcio mondiale rende il campionato appassionante e coinvolgente da seguire.

** Le domande che mi sono posto **

Evoluzione del Numero di Partecipanti nelle Stagioni della MLS

Clustering delle stagioni

Analisi

## [[1]]
## 
## $theme
## [1] "ggplot2"
## 
## attr(,"class")
## [1] "hc_theme"
## [[1]]
## 
## $theme
## [1] "darkunica"
## 
## attr(,"class")
## [1] "hc_theme"

Analisi 2

## # A tibble: 5 × 8
##   Team  Media_Pts Media_PPG Media_W Media_GF  Rank Max_Pts Season_Max_Pts
##   <chr>     <dbl>     <dbl>   <dbl>    <dbl> <int>   <int>          <int>
## 1 HOU        49.7      1.62    13       44       1      52           2007
## 2 MIA        47        1.66    14       55.5     2      53           2001
## 3 CHI        46.1      1.53    13.1     46.2     3      57           2000
## 4 SJ         43.6      1.47    11.9     42.6     4      64           2005
## 5 NE         43.1      1.42    11.9     45.9     5      59           2005
## # A tibble: 5 × 8
##   Team  Media_Pts Media_PPG Media_W Media_GF  Rank Max_Pts Season_Max_Pts
##   <chr>     <dbl>     <dbl>   <dbl>    <dbl> <int>   <int>          <int>
## 1 LA         55.6      1.69    15.4     52.4     1      67           2011
## 2 SEA        53.6      1.62    15.4     47.4     2      64           2014
## 3 RSL        50.6      1.54    14       46.4     3      57           2012
## 4 RBNY       50.1      1.51    13.8     51       4      60           2015
## 5 DAL        49.8      1.51    13.6     47.6     5      60           2015

COMPORTAMENTO DELLE SQUADRE MIGLIORE DEI DIVERSI CLUSTERS

## # A tibble: 5 × 8
##   Team  Media_Pts Media_PPG Media_W Media_GF  Rank Max_Pts Season_Max_Pts
##   <chr>     <dbl>     <dbl>   <dbl>    <dbl> <int>   <int>          <int>
## 1 LAFC       54.6      1.71    15.8     63.8     1      72           2019
## 2 NYC        53.7      1.67    15.3     54.7     2      64           2019
## 3 PHI        52.5      1.66    14.8     53.5     3      67           2022
## 4 SEA        51.3      1.62    14.7     50       4      60           2021
## 5 RBNY       50.3      1.56    14.5     47.7     5      71           2018

COME FANNO LE SQUADRE PER VINCERE , IL LORO METODO

LE CITTA MIGLIORI DI OGNI PERIODO

Vincitorie della MLS

Predizione della numerosità delle squadre dei 4 prossimi anni

## [1] "Coefficiente di correlazione di Pearson: 0.972"
## [1] "Coefficiente di correlazione di Pearson: 0.972"

##   Season NumeroSquadre_Predette
## 1   2023               27.24111
## 2   2024               28.05830
## 3   2025               28.87549
## 4   2026               29.69269

Conclusioni

Dai grafici ottenuti abbiamo ricavato i seguenti risultati: